شهریار محسنین و دكتر محمدرحيم اسفيداني شهریار محسنین و دكتر محمدرحيم اسفيداني دانشجوي دكتري مديريت بازاريابي و عضو هيأت علمي دانشگاه تهران

منبع مدل سازی معادلات ساختاری به کمک نرم افزار لیزرل شهریار محسنین (دانشجوی دکتری مدیریت بازاریابی) دکتر محمدرحیم اسفیدانی (عضو هیئت علمی دانشگاه تهران) ناشر: نشر مهربان

1 بخش اول آموزش نرم افزار لیزرل مقدمه تعریف مدل سازی معادلات ساختاری بخش اول 1 مقدمه تعریف مدل سازی معادلات ساختاری کاربرد مدل سازی معادلات ساختاری رویکردهای مدل سازی معادلات ساختاری مبتنی بر ماتریس کواریانس – واریانس (CBSEM) - LISREL مبتنی بر ماتریس واریانس (VBSEM) – PLS اصطلاحات مدل سازی معادلات ساختاری مدل های مدل سازی معادلات ساختاری مدل اندازه گیری مدل ساختاری مدل عمومی مدل سازی معادلات ساختاری آموزش نرم افزار لیزرل

مقدمه انواع تحقیقات علمی تشکیل ماتریس کواریانس آموزش نرم افزار لیزرل تحقیق توصیفی تحقیق پیمایشی تحقیق همبستگی تحلیل روابط بین دو متغیر تحلیل رگرسیون تحلیل عاملی مرتبه اول و دوم مدل معادلات ساختاری اقدام پژوهی بررسی موردی تحقیق علی – مقایسه ای تحقیق آزمایشی تشکیل ماتریس کواریانس آموزش نرم افزار لیزرل

مدل های معادلات ساختاری مقدمه روش هایی که به کمک آن می توان بطور همزمان مجموعه ای از متغیرهای آشکار و پنهان، درونی یا بیرونی را در یک ارتباط یک سویه یا دو سویه با یکدیگر مورد ملاحظه قرار داد. انواع روش های آماری مدل های رگرسیونی تحلیل مسیر مدل های عاملی مدل های معادلات ساختاری آموزش نرم افزار لیزرل

مقدمه روش های آماری گذشته رگرسیون ساده / دو متغیره - پیش بینی مقدار یک متغیر وابسته بر اساس مقدار یک متغیر مستقل از طریق محاسبه رابطه مستقیم رگرسیون چند متغیره – پیش بینی مقدار یک متغیر وابسته بر اساس دو یا چند متغیر مستقل از طریق محاسبه روابط مستقیم رگرسیون لجستیک - پیش بینی مقدار یک متغیر وابسته در سطح سنجش اسمی بر اساس دو یا چند متغیر مستقل از طریق محاسبه روابط مستقیم تحلیل مسیر – پیش بینی مقدار یک متغیر وابسته بر اساس دو یا چند متغیر مستقل از طریق محاسبه روابط مستقیم و غیرمستقیم (وجود متغیرهای میانجی) Hint در تحلیل رگرسیون خطی (ساده و چند متغیره) متغیر وابسته باید کمی و در سطح سنجش فاصله ای / نسبی باشد. زمانی که متغیر وابسته در سطح اسمی است و متغیرهای مستقل هم ترتیبی و هم فاصله ای هستند، روش های رگرسیون خطی معمولی مقدار برآوردها را کمتر از مقدار واقعی نشان می دهند، به سراغ رگرسیون لجستیک می رویم. رگرسیون خطی در محاسبه ضرایب به دنبال حداقل کردن مجذور خطاها بوده ولی رگرسیون لجستیک احتمال وقوع یک رخداد را حداکثر می کند. در رگرسیون خطی برای معناداری از آماره Fو t استفاده می شود ولی در رگرسیون لجستیک از آماره های کای اسکوئر و والد استفاده می شود. آموزش نرم افزار لیزرل

مقدمه روش تحلیل مناسب برای اندازه گیری اثر یک یا چند متغیر مستقل بر روی یک متغیر وابسته با سطوح سنجش مختلف روش تحلیل متغیر مستقل متغیر وابسته ردیف رگرسیون ساده کیفی کمی 1 رگرسیون چند متغیره کمی و کیفی 2 رگرسیون لجستیک کمی یا کیفی کیفی (اسمی) 3 رگرسیون ترتیبی کیفی (ترتیبی) 4 Hint متغیر کمی – سطح سنجش فاصله ای یا نسبی معادل مقیاس Scale در نرم افزار SPSS متغیر کیفی – سطح سنجش اسمی یا ترتیبی به ترتیب معادل مقیاس Nominal و Ordinal در نرم افزار SPSS آموزش نرم افزار لیزرل

محدودیت های روش های آماری گذشته مقدمه محدودیت های روش های آماری گذشته عدم اندازه گیری مقادیر خطا در سطح متغیرهای مشاهده پذیر در تحلیل مبتنی بر رگرسیون عدم برازش مدل اندازه گیری در تحلیل های مبتنی بر رگرسیون و مسیر قابل مشاهده بودن تمامی متغیرها در تحلیل های مبتنی بر رگرسیون و مسیر عدم اندازه گیری روابط غیرمستقیم در تحلیل مبتنی بر رگرسیون ساختار مدل ساده (متشکل از حداکثر یک متغیر وابسته و چند متغیر مستقل) در تحلیل های مبتنی بر رگرسیون و مسیر عدم کاربرد چندین متغیر وابسته و ... آموزش نرم افزار لیزرل

تعریف مدل سازی معادلات ساختاری تکنیک تحلیل چندمتغیری بسیار کلی و نیرومند از خانواده رگرسیون چندمتغیری که به پژوهشگر این امکان را می دهد تا مجموعه ای از معادلات رگرسیونی را بر مبنای ماتریس کواریانس – واریانس مورد آزمون قرار دهد. به بیان ساده تر، تجزیه و تحلیل همزمان چند متغیر مکنون مستقل و وابسته (مدل ساختاری) از طریق متغیرهای مشاهده پذیر (مدل اندازه گیری یا تحلیل عاملی تأئیدی) به مدل سازی معادلات ساختاری، مدل سازی مبتنی بر ماتریس کواریانس، تحلیل مسیر تأئیدی (تحلیل مسیر و تحلیل عاملی تأئیدی)، لیزرل کفته می شود، اصطلاح رایج در بین پژوهشگران به اختصار SEM (Structural Equation Modeling) است. مدل روابط ساختاری خطی (LISREL) یا LInear Structural RELationships در کلی ترین شکل خود، شامل مجموعه ای از معادلات ساختاری خطی است که با دو مسئله اساسی یعنی؛ اندازه گیری متغیرها (اعتبار و روایی ابزار اندازه گیری) و روابط علی میان متغیرها و توان تبیین این روابط (روابط ساختاری) سرکار دارد و مقصود از آن کمک به حل این دو مسئله است. آموزش نرم افزار لیزرل

کاربرد مدل سازی معادلات ساختاری مدل­سازی روابط بین متغیرهای مستقل (برون­زا) و وابسته (درون­زا) (مدل ساختاری) مدل­سازی روابط متغیرهای پنهان (مکنون) و آشکار (مدل اندازه گیری) مدل­سازی خطاهای اندازه­گیری متغیرهای مشاهده پذیر آزمون فرضیات استنباط شده از ادبیات مورد بررسی به کمک داده­های عینی (تجزیه و تحلیل مسیر و تحلیل عاملی تأئیدی) تجزیه و تحلیل همزمان چندین متغیر مکنون (مستقل و وابسته) Hint از آنجایی که مدل یابی معادلات ساختاری تأکید بر روابط خطی متغیرهای مکنون با یکدیگر و متغیرهای مکنون با متغیرهای مشاهده پذیردارد، در تحلیل خود از حداکثر درستنمایی (Maximum Likelihood) استفاده می­نماید آموزش نرم افزار لیزرل

رویکردهای مدل سازی معادلات ساختاری رویکرد مبتنی بر کواریانس (CBSEM) لیزرل (LISREL) رویکرد مبتنی بر واریانس (VBSEM) مدل سازی معادلات ساختاری مبتنی بر حداقل مربعات جزئی PLS (Partial Lean Square) PLS-SEM آموزش نرم افزار لیزرل

رویکردهای مدل سازی معادلات ساختاری رویکرد مبتنی بر کواریانس (CBSEM) در این رویکرد بیشتر به برآورد مجموعه ای از پارامترهای مدل توجه می شود و هدف، نزدیک تر شدن ماتریس کواریانس نظری به ماتریس کواریانس مشاهده شده در نمونه برآوردی است. این رویکرد به تخمین ضرایب مسیرها، بارهای عاملی با استفاده از به حداقل رساندن تفاوت بین ماتریس کواریانس مبتنی بر نمونه و ماتریس کواریانس مبتنی بر مدل می پردازند. متداولترین و معروف ترین نرم افزار این حوزه، نرم افزار لیزرل است. سایر نرم افزارها: AMOS EQS NPLUS آموزش نرم افزار لیزرل

رویکردهای مدل سازی معادلات ساختاری رویکرد مبتنی بر کواریانس (CBSEM) (تکنیک های برآورد) متغیرهای ابزاری (IV) کمترین مجذورات دو مرحله ای (TSLS) کمترین مجذورات بدون وزن (ULS) کمترین مجذورات تأمین یافته (GLS) بیشینه احتمال (ML) کمترین مجذورات وزن دار کلی (WLS) کمترین مجذورات وزن دار قطری (DWLS) گزینه برجسته (OR) روش پیش فرض نرم افزار لیزرل در مدل یابی معادلات ساختاری، روش بیشینه احتمال (ML) است. Hint در هر یک از روش های برآورد GLS، ML و WLS لازم است ماتریس واریانس – کواریانس نمونه معین و مثبت (Positive Definite) باشد؛ ولی برای مواردی که ماتریس مذکور مثبت و معین نیست و و وجود همخطی بودن چندگانه بالا بین متغیرهای برون زای مدل می رود؛ پیشنهاد می شود از برآورد برجسته (RO) به عنوان تکنیک برآورد تصحیح کننده استفاده شود. آموزش نرم افزار لیزرل

رویکردهای مدل سازی معادلات ساختاری رویکرد مبتنی بر کواریانس (CBSEM) (تکنیک های برآورد) چنانچه ماتریس کواریانس مدل منفی شد (خطای negative covariance matrix)، می توانید از سایر روش های برآورد برای تحلیل کمک بگیرید (در تکنیک های برآورد GLS، ML و WLS باید ماتریس کواریانس نمونه مثبت باشد) رویکرد گزینه برجسته (RO) یکی از مناسب ترین تکنیک های برآورد در زمانی است که با ماتریس کواریانس منفی، و یا زمانی که همخطی چندگانه بالا (همبستگی بالای 0.8 بین متغیرهای مستقل مدل) وجود داشته باشد. تکنیک های کمترین مجذورات (ULS، TSLS، GLS، WLS و DWLS) مناسب زمانی است که متغیرهای مدل از مقیاس طبقه ای باشد، نه رتبه ای و فاصله ای. آموزش نرم افزار لیزرل

رویکردهای مدل سازی معادلات ساختاری رویکرد مبتنی بر کواریانس (CBSEM) (پیش فرض) از آنجا که مدل سازی معادلات ساختاری یک روش تحقیق مبتنی بر همبستگی بوده که از طریق اندازه گیری ماتریس واریانس – کواریانس قابل اندازه گیری است؛ مواردی که ماتریس مذکور و ضرایب همبستگی را در مدل سازی معادلات ساختاری مبتنی بر ML تحت تأثیر قرار داده و تحلیل را با مشکل روبرو می کند، عبارتند از: مقیاس های اندازه گیری دامنه تغییرات مقادیر داده های از دست رفته داده های دور افتاده غیر خطی بودن روابط غیر نرمال بودن داده های توزیع شده علاوه بر موارد فوق، مهمترین پیش فرض اساسی مدل سازی معادلات ساختاری مبتنی بر ماتریس کواریانس – واریانس (CBSEM) منطق حجم نمونه می باشد. آموزش نرم افزار لیزرل

رویکردهای مدل سازی معادلات ساختاری رویکرد مبتنی بر کواریانس (CBSEM) (تعیین حجم نمونه) استیونس (James Stevens) در نظر گرفتن 15 مورد یا نمونه را برای هر متغیر پیش بین (مشاهده پذیر یا سوالات پرسشنامه) مطلوب می داند بنتلر و چو (Bentler & Chou) 5 مورد یا نمونه را برای هر پارامتر و نه برای هر متغیر اندازه گیری شده توصیه می کنند. لوهلین (Loehlin) توصیه می کند به ازای هر متغیر مکنون عاملی، 30 تا 50 نمونه یا مورد وجود داشته باشد. آموزش نرم افزار لیزرل

رویکردهای مدل سازی معادلات ساختاری رویکرد مبتنی بر واریانس (VBSEM) برخلاف رویکرد دیگر، رویکرد مبتنی بر واریانس به جای بازتولید ماتریس کواریانس تجربی، بر بیشینه­سازی واریانس متغیرهای وابسته که توسط متغیرهای مستقل پیش­بینی می­شوند تمرکز دارد. در این رویکرد نیز از بخش ساختاری که نمایانگر روابط بین متغیرهای پنهان یا مکنون؛ و بخش اندازه­گیری که نشانگر روابط بین متغیرهای پنهان با نشانگرهایشان به دو صورت ترکیبی و انعکاسی استفاده شده است که بخش ساختاری، مدل درونی (Inner Model) و بخش اندازه­گیری، مدل بیرونی (Outer Model) نام دارد معروف ترین و پرکاربردترین نرم افزار در این رویکرد، نرم افزار Smart-PLS می باشد. سایر نرم افزارها: Visual PLS PLS Graph Warp PLS XLStat آموزش نرم افزار لیزرل

رویکردهای مدل سازی معادلات ساختاری کاربرد رویکرد مبتنی بر واریانس (VBSEM) زمانی که هدف محقق پیش بینی باشد تعداد نمونه قابل ملاحظه ای در دسترس نمی باشد نرمال بودن چندمتغیری مطرح نباشد در مدل ما، حداقل یک مدل اندازه گیری ترکیبی (Formative Model) وجود داشته باشد. وجود همخطی چندگانه بالا (حداقل 0.8) بین متغیرهای مستقل مدل ما، مدل پیچیده ای باشد و هدف ما سنجش تعمیم پذیری مدل مفهومی بر اساس نظریات نباشد. آموزش نرم افزار لیزرل

اصطلاحات مدل سازی معادلات ساختاری متغیرهای مشاهده پذیر و پنهان همان سوال­ها یا گویه­های پرسشنامه؛ یا داده های خام می­باشند با شکل مستطیل یا مربع نشان داده می شوند. متغیرهای مشاهده پذیر مشاهده پذیر X مشاهده پذیر Y آموزش نرم افزار لیزرل

اصطلاحات مدل سازی معادلات ساختاری متغیرهای مشاهده پذیر و پنهان Hint از آنجا که دو مدل اندازه­گیری X و Y وجود داشته که به ترتیب با نمادهای کسای و اتای نمایش داده می­شوند؛ متغیرهای مشاهده­پذیر مربوط به این دو مدل نیز به نام­های مشاهده­پذیرهای X و Y تعریف می­شوند آموزش نرم افزار لیزرل

اصطلاحات مدل سازی معادلات ساختاری متغیرهای مشاهده پذیر و پنهان تعریف - متغیرهایی که مستقیماً قابل مشاهده یا اندازه گیری نمی باشند، بلکه به صورت عملیاتی و بر اساس معرف های خود بدست می آیند. متغیر مکنون برون زا، همان متغیرهای مستقل بوده که علت تغییرات در مقادیر دیگر متغیرهای مکنون در مدل هستند. متغیرهای مکنون درون زا، متغیرهای وابسته (میانجی) بوده که به صورت مستقیم یا غیرمستقیم تحت تأثیر متغیرهای برون زا موجود در مدل قرار دارند. متغیرهای پنهان مکنون برون زا (مستقل) یا کسای مکنون درون زا (وابسته) یا اتای آموزش نرم افزار لیزرل

اصطلاحات مدل سازی معادلات ساختاری متغیرهای مشاهده پذیر و پنهان Hint متغیر وابسته میانجی چون خود از متغیر دیگری (متغیر برون زا) تأثیر می پذیرد، با همان نماد اتای (متغیرهای وابسته) نمایش داده می­شود به متغیر مکنون متناظر با متغیرهای مشاهده پذیر X، متغیر کسای و به متغیر مکنون متناظر با متغیرهای مشاهده پذیر Y، متغیر اتای گفته می شود. این متغیرها با شکل بیضی یا دایره نمایش داده می شوند. آموزش نرم افزار لیزرل

مدل های مدل سازی معادلات ساختاری مدل های اندازه گیری مدل های ساختاری مدل عمومی معادلات ساختاری آموزش نرم افزار لیزرل

مدل های مدل سازی معادلات ساختاری مدل های اندازه گیری ایکس ایکس (X): نماد متغیر مشاهده پذیر در مدل اندازه­گیری متغیر مکنون برون زا (کسای) دلتا (δ): پارامتر اندازه­گیری میزان خطا متغیر مشاهده­پذیر X لاملای کوچک (ƛ): بار عاملی یا روابط بین متغیرهای مشاهده­پذیر X و متغیر مکنون مستقل (کسای یا ξ) کسای (ξ): نماد متغیر مکنون متناظر با مشاهده­پذیرهای X آموزش نرم افزار لیزرل

مدل های مدل سازی معادلات ساختاری مدل های اندازه گیری وای وای (Y): نماد متغیر مشاهده پذیر در مدل اندازه­گیری متغیر مکنون وابسته (درون زا) اتای اپسیلون (ε): پارامتر اندازه­گیری میزان خطاي متغیر مشاهده­پذیر Y لاملای بزرگ (Ʌ): بار عاملی یا روابط بین متغیرهای مشاهده­پذیر Y و متغیر مکنون وابسته (اتای یا ) اتای (η): نماد متغیر مکنون متناظر با مشاهده­پذیرهای Y (درون­زا) آموزش نرم افزار لیزرل

مدل های مدل سازی معادلات ساختاری مدل های اندازه گیری ترکیبی (Formative Model) جهت پیکان (رابطه) از متغیرهای اندازه­گیری (مشاهده­پذیر) به سمت متغیرهای پنهان است. بین متغیرهای اندازه­گیری همبستگی وجود نداشته یا ضعیف است. تغییر در تعداد متغیرهای اندازه­گیری؛ در مقدار متغیر پنهان تغییر ایجاد می­کند. خطای اندازه­گیری در سطح متغیرهای پنهان محاسبه می­شود. آموزش نرم افزار لیزرل

مدل های مدل سازی معادلات ساختاری مدل های اندازه گیری انعکاسی (Reflective Model) زمانی که هدف محقق گسترش ادبیات نظری و تولید نظریه جدید به تعداد نمونه یا حجم نمونه گیری حساس می باشد نرمال بودن داده ها ملاک محاسبه می باشد حداقل داده در دسترس ؟؟؟ نمونه (به ازای هر متغیر مشاهده پذیر 5 تا 15نمونه) جهت پیکان (رابطه) از متغیرهای پنهان به سمت متغیرهای اندازه­گیری (مشاهده­پذیر) است. بین متغیرهای اندازه­گیری همبستگی وجود دارد (تشکیل ماتریس کواریانس). تغییر در تعداد متغیرهای اندازه­گیری؛ تغییری در مقدار متغیر پنهان ایجاد نمی­کند. خطای اندازه­گیری در سطح متغیرهای مشاهده­پذیر محاسبه می­شود. آموزش نرم افزار لیزرل

مدل های مدل سازی معادلات ساختاری مدل ساختاری روابط بین متغیرهای مکنون (مستقل یا برون­زا) و وابسته (درون­زا) کسای (ξ): نماد متغیر مکنون برون­زا اتای (η): نماد متغیر مکنون درون­زا گاما (γ)؛ روابط (ضرایب رگرسیون) بین متغیرهای مکنون برون­زا (کسای) و متغیرهای مکنون درون­زا (اتای) بتا (β)؛ روابط (ضرایب رگرسیون) بین متغیرهای مکنون درون­زا (اتای) و متغیرهای مکنون درون­زا (اتای) دیگر سای بزرگ (Ψ)؛ همبستگی بین متغیرهای اتای یا درون­زا فی بزرگ (Φ)؛ همبستگی بین متغیرهای کسای یا برون­زا آموزش نرم افزار لیزرل

مدل های مدل سازی معادلات ساختاری مدل عمومی معادلات ساختاری ترکیبی از دو مدل ساختاری و اندازه­گیری (تحلیل عاملی تأئیدی) مدل عمومی معادلات ساختاری آموزش نرم افزار لیزرل

مدل های مدل سازی معادلات ساختاری مدل های مدل­های ساختاری با معرف­های چندگانه و علل چندگانه (MIMIC) ترکیبی از مدلهای ساختاری انعکاسی و ترکیبی به تعداد نمونه یا حجم نمونه گیری حساس می باشد نرمال بودن داده ها ملاک محاسبه می باشد کواریانس بین متغیرهای مشاهده­پذیر برون­زا ثابت (Fix) می­باشد و خطای اندازه­گیری برای این متغیرها صفر است آموزش نرم افزار لیزرل

مدل های مدل سازی معادلات ساختاری مدل های مدل­های ساختاری با معرف­های چندگانه و علل چندگانه (MIMIC) در مدل­های MIMIC، متغیرهای غیرمکنون برون­زا متغیرهایی مانند جنسیت، سن، میزان تحصیلات و ... می­باشند که تأثیر آنها بر یک متغیر یا چند متغیر اتای مورد بررسی قرار می­گیرید آموزش نرم افزار لیزرل

مراحل تحلیل داده ها به کمک SEM 1. بررسی مبانی نظری و تجربی در باب موضوع مورد نظر جهت انتخاب مدل اندازه­گیری (Formative or Reflective Models) 2. انتخاب نرم افزار مورد استفاده (برای مدل­های ترکیبی نرم­افزارهای PLS و برای مدل­های انعکاسی نرم­افزارهای LISREL، AMOS و EQS) 3. تعیین روابط بین متغیرها 4. طراحی مدل مفهومی 5. گردآوری داده­ها 6. وارد کردن داده­ها به نرم افزار SPSS یا Excel 7. تحلیل عاملی تأئیدی متغیرهای مدل (آزمون مدل) 8. بررسی شاخص­های برازش و بارهای عاملی و در صورت نیاز اصلاح و تهیه گزارش تحلیل عاملی اصلاح شده (ارزیابی و اصلاح مدل) 9. تحلیل مسیر تأئیدی (آزمون کلی مدل نظری) 10. بررسی شاخص­های برازش، روابط مدل و در صورت نیاز اصلاح مدل نظری و تهیه گزارش مسیر تأئیدی اصلاح شده (ارزیابی و اصلاح مدل نظری) آموزش نرم افزار لیزرل

1 2 بخش دوم شاخص های برازش مطلق شاخص های برازش مقایسه ای بخش دوم 1 2 شاخص های برازش مطلق شاخص های برازش مقایسه ای شاخص های برازش تعدیل یافته آموزش نرم افزار لیزرل

شاخص های برازش مدل شاخص های برازش مدل شاخص های برازش مطلق شاخص های برازش مقایسه ای شاخص های برازش تعدیل یافته Hint در خروجی نرم افزار لیزرل صرف بد بودن (خوب نبودن) چند شاخص نمی­توان گفت مدل پیشنهاد شده از برازش خوبی برخوردار نیست، لذا باید چندین شاخص را مدنظر قرار داد تا به یک اجماع کلی درباره خوب یا ضعیف بودن مدل برازش داده شده رسید. آموزش نرم افزار لیزرل

شاخص های برازش مطلق اصلی ترین شاخص ها و معیارهای برازش مدل می باشند به شدت به تعداد پارامترهای در مدل وابسته هستند مقایسه بین ماتریس کواریانس نمونه برآورد شده و نظری شاخص های مطلق این پرسش را مطرح می سازند که آیا واریانس خطا یا تبیین نشده که پس از برازش مدل باقی می ماند، فابل توجه است؟ مجذور کای (کای اسکوئر) عدم معناداری آن نشان دهنده برازش مطلوب مدل پژوهش است. در نمونه های بالا این شاخص معنادار می باشد (مقادیر بالا برای کای اسکوئر) به شدت وابسته به حجم نمونه است شاخص P-Value معناداری و یا عدم معناداری شاخص کای اسکوئر را نشان می دهند P-Value بزرگتر از 0.05 گواه بر عدم معناداری کای اسکوئر مدل است. آموزش نرم افزار لیزرل

شاخص های برازش مطلق نسبت کای اسکوئر به درجه آزادی وجود محدودیت در شاخص کای اسکوئر برای کاهش اثر حجم نمونه در شاخص کای اسکوئر دامنه پذیرش این شاخص مقادیر بین 1 تا 3 می باشد شاخص های نیکویی برازش (GFI & AGFI) بی اندازه تحت تأثیر حجم نمونه است شاخص GFIبی اندازه وابسته به تعداد پارامترهای مدل است، برای اصلاح آن شاخص AGFI مطرح گردید دامنه قابل قبول بون هر دو شاخص مقادیر بالای 0.9 می باشد آموزش نرم افزار لیزرل

شاخص های برازش مطلق شاخص RMR & SRMR شاخص های بد بودن مدل می باشند شاخص SRMR استاندارد شده شاخص RMR بوده و نسبت به اسن شاخص اعتبار بالاتری دارد. دامنه پذیرش این شاخص مقادیر زیر 0.08 می باشد شاخص RMSEA اصلی ترین شاخص برازش تطبیقی مدل شاخص بد بودن مدل مقادیر کوچک آن گواه بر بد نبودن مدل است دامنه برازش مدل بر پایه این شاخص، مقادیر زیر 0.08 می باشد Hint در مواردی که تعداد نمونه کوچکتر از 150 باشد، این شاخص، شاخص مناسبی برای ارزیابی بد بودن مدل نیست، توصیه می شود اگر شاخص CFI در خروجی شاخص های مدل در شرایط بالای 0.95 باشد، می توان به برازش خوب مدل توجه نمود و از کنار این شاخص عبور کرد. آموزش نرم افزار لیزرل

شاخص های برازش مطلق Hint آموزش نرم افزار لیزرل در مواردی که تعداد نمونه مدل برآورد شده کمتر از 150 باشد (N<150)، شاخص RMSEA شاخص مناسبی برای ارزیابی بد بودن مدل نیست؛ زیرا مقادیری که در اینگونه مواقع نشان می­دهد، بسیار بالا می­باشد. برای همین مشکل، باید به مقدار CFI مراجعه شود، چنانچه این مقدار بیش از 0.95 باشد، می­توان به برازش خوب مدل توجه نموده و از کنار شاخص RMSEA گذشت آموزش نرم افزار لیزرل

شاخص های برازش نسبی به دنبال مقایسه بین یک مدل خاص (بهترین مدل) با مدل برآورد شده محقق می باشد این شاخص ها در پی پاسخ به این سوال هستند که یک مدل به خصوص در مقایسه با سایر مدل های ممکن، از لحاظ تبیین مجموعه ای از داده های مشاهده شده تا چه حد خوب عمل می کند؟ آموزش نرم افزار لیزرل

شاخص های برازش تعدیل یافته شاخص برازش اصلاح شده مقتصد (PGFI) شاخص برازش هنجارشده و اصلاح شده مقتصد (PNFI) برای این دو شاخص دامنه مشخصی که مبین خوب یا ضعیف بودن مدل برازش شده باشد، ذکر نگردیده است؛ ولی برخی منابع مقادیر نزدیک 0.5 را برای این دو شاخص در نظر گرفته اند. آموزش نرم افزار لیزرل

3 تحلیل عاملی

تحلیل عاملی تحلیل عاملی تأئیدی مرتبه اول تحلیل عاملی تأئیدی تحلیل عاملی تأئیدی مرتبه دوم تحلیل تحلیل عاملی اکتشافی آموزش نرم افزار لیزرل

مقایسه تحلیل عاملی تأئیدی (CFA) و اکتشافی (EFA) در تحلیل عاملی اکتشافی فقط بارهای عاملی بدست می آید، ولی نمی توان گفت این ارتباط واقعی (تصادفی) یا غیر واقعی (غیرتصادفی) است یا نه؟ (اعتبار بیرونی دارد یا نه) ولی در تحلیل عاملی تأئیدی T-Value یا مقادیر T برای هر بارعاملی حساب می شود (اعتبار بیرونی) در تحلیل عاملی تأئیدی اعتبار درونی و اعتبار بیرونی (قابلیت تعمیم پذیری) نشان داده می شود ولی در تحلیل عاملی اکتشافی فقط اعتبار درونی نشان داده می شود. در تحلیل عاملی اکتشافی به دنبال شناسایی عامل ها هستیم ولی در تحلیل عاملی تأئیدی عامل ها از قبل مشخص است و به دنبال تأئید روابط بین سوالات با عامل های مربوطه به کمک مدل اندازه گیری هستیم. آموزش نرم افزار لیزرل

تحلیل عاملی تأئیدی تحلیل عاملی تأئیدی به چندین روش صورت می­گیرد؛ که عبارتند از: به صورت کلی و یکپارچه؛ که در این حالت کلیه متغیرهای مدل همزمان مورد تحلیل قرار می­گیرند (بهترین و استانداردترین روش تحلیل عاملی تأئیدی) تحلیل متغیرهای مستقل و وابسته جدا از یکدیگر و در دو فایل متفاوت؛ که در این حالت ابتدا باید برای هر یک از دو دسته متغیرهای مدل مفهومی پژوهش (متغیرهای وابسته و مستقل) دو فایل متفاوت در نرم افزار SPSS تشکیل و ذخیره گردد (این روش زمانی کاربرد دارد که برخی از متغیرهای ما از مرتبه دوم و برخی دیگر از مرتبه اول باشند) هر یک از متغیرها به صورت جدا از هم (چه وابسته و چه مستقل)؛ در این حالت باید در نرم افزار SPSS برای هر متغیر طبق مدل مفهومی پژوهش، فایلی به صورت مجزا تشکیل و ذخیره گردد (این روش زمانی کاربرد دارد که برخی از متغیرهای ما از مرتبه دوم و برخی دیگر از مرتبه اول باشند). آموزش نرم افزار لیزرل

تحلیل عاملی تأئیدی مرتبه اول فرض بر این است که نمرات هر مطالعه در یک متغیر، در واقع منعکس کننده وضعیت آن مورد در یک عامل زیربنایی تر است که به دلیل پنهان بودنش اندازه گیری مستقیم آن وجود ندارد. در تحلیل عاملی مرتبه اول سه نوع متغیر وجود دارد: متغیر پنهان بیرونی متغیر مشاهده شده بیرونی متغیرهای خطا در تحلیل عاملی مرتبه اول سه نوع پارامتر وجود دارد: پارامتر کسای پارامتر لاملا پارامتر دلتا آموزش نرم افزار لیزرل

تحلیل عاملی تأئیدی مرتبه اول کسای (ξ): نماد متغیر مشاهده­پذیر X فی بزرگ (Φ)؛ همبستگی بین متغیرهای کسای دلتا (δ) : پارامتر اندازه­گیری میزان خطا متغیر مشاهده­پذیر X ایکس (X)؛ نماد متغیر مشاهده پذیر در مدل اندازه­گیری متغیر مکنون مستقل لاملای کوچک (λ): بار عاملی یا روابط بین متغیرهای مشاهده­پذیر X و متغیر مکنون مستقل (کسای یا ξ) آموزش نرم افزار لیزرل

تحلیل عاملی تأئیدی مرتبه دوم نوعی از مدل های عاملی که در آن عامل های پنهانی که در مرتبه اول بوسیله متغیرهای مشاهده پذیر اندازه گیری می شوند، خود تحت تأثیر یک متغیر زیربنایی تر (متغیر پنهان) دیگر در یک سطح بالاتر قرار دارند. در تحلیل عاملی مرتبه دوم چهار نوع متغیر وجود دارد: متغیر پنهان بیرونی متغیر پنهان درونی متغیر مشاهده شده درونی متغیرهای خطا در تحلیل عاملی مرتبه دوم شش نوع پارامتر وجود دارد: پارامتر کسای پارامتر لاملا پارامتر دلتا پارامتر اپسیلون پارامتر گاما پارامتر اتای آموزش نرم افزار لیزرل

تحلیل عاملی تأئیدی مرتبه دوم وای (Y)؛ نماد متغیر مشاهده پذیر در مدل اندازه­گیری متغیر مکنون وابسته اپسیلون (ε): پارامتر اندازه­گیری میزان خطاي متغیر مشاهده­پذیر Y لاملای بزرگ (Ʌ): بار عاملی یا روابط بین متغیرهای مشاهده­پذیر Y و متغیر مکنون وابسته (اتای یا ) کسای (ξ): نماد متغیر مکنون برون­زا اتای (η): نماد متغیر مشاهده­پذیر Y (درون­زا) گاما (γ)؛ روابط (ضرایب رگرسیون) بین متغیرهای مکنون برون­زا (کسای) و متغیرهای مکنون درون­زا (اتای) آموزش نرم افزار لیزرل

مراحل تحلیل عاملی تأئیدی ذخیره داده­ها در نرم افزار SPSS یا Excel فراخوانی داده­ها به محیط لیزرل گرفتن خروجی ماتریس کواریانس طراحی مدل مفهومی به روش LISREL Project یا Path Diagram آزمون مدل ارزیابی مدل اصلاح مدل تحلیل و ارائه گزارش آموزش نرم افزار لیزرل